典型人工神經(jīng)網(wǎng)絡b-免費閱讀
【正文】 ] y=simup(testX,w,b) figure plotpv(testX,y) plotpc(w,b) 版權所有 復制必究 2022 42 1 . 5 1 0 . 5 0 0 . 5 1 1 . 51 0 . 500 . 5V e c t o r s t o b e C l a s s i f i e dP ( 1 )P(2)0 0 . 5 1 1 . 5 2102 0101 5101 0105100105E p o c hSumSquared ErrorS u m S q u a r e d N e t w o r k E r r o r f o r 2 E p o c h s誤差曲線 分類結果 版權所有 復制必究 2022 43 補充： BP網(wǎng)絡工具箱函數(shù) BP網(wǎng)絡演示函數(shù) nnd11nf Network function demonstration. nnd11bc Backpropagation calculation demonstration. nnd11fa Function approximation demonstration. nnd11gn Generalization demonstration. BP網(wǎng)絡相關指令 P181 表 723 Initff Simuff Trainbpx 例 方法一 newff train Sim 例 方法二 過程： 輸入訓練樣本 X， T； 利用相關指令初始化網(wǎng)絡； initff。 小的學習速率導致較長的訓練時間，可能收斂很慢，不過能保證網(wǎng)絡的誤差值不跳出誤差表面的低谷而最終趨于最小誤差值。 一般情況下，應優(yōu)先考慮增加隱含層中的神經(jīng)元數(shù)。 BP學習算法的局限性 版權所有 復制必究 2022 31 選用不同的作用函數(shù)、性能指標； 解決局部極小問題 選用不同的初值迭代；激勵函數(shù)加入斜率因子；模擬退火方法；分解子網(wǎng)。 對每個樣本重復下述過程，直到收斂： 學習算法描述 1 2 3, , , , , , 。 網(wǎng)絡的訓練實質上是對 突觸權陣的調整 ， 以滿足當輸入為 Xp時其輸出應為 Yd。版權所有 復制必究 2022 1 第五章 典型人工神經(jīng)網(wǎng)絡 感知器 1 徑向基函數(shù)神經(jīng)網(wǎng)絡 2 Hopfield神經(jīng)網(wǎng)絡 3 版權所有 復制必究 2022 2 第 感知器 感知器模型和用途 多層感知器模型和學習算法 多層感知器應用實例 版權所有 復制必究 2022 3 第 感知器 感知器模型和用途 多層感知器模型和學習算法 多層感知器應用實例 版權所有 復制必究 2022 4 感知器模型和用途 ...1x y1wnw2nx2x ?1. 結構和數(shù)學模型 1niiiN e t w x ?????神經(jīng)元輸入： 神經(jīng)元輸出： 1000N e tyN e t??? ???向量形式： 0w? ?? 0 1x ?? ?T01, , , nx x x x? ? ?T01, , , nw w w w?1000TNe t w xNe tyNe t???? ???感知器輸入輸出函數(shù)為： 版權所有 復制必究 2022 5 感知器模型和用途 1niiiN e t w x ?????神經(jīng)元輸入： 神經(jīng)元輸出： 1000N e tyN e t??? ???說明： (1) 原始感知器模型采用閾值函數(shù)類型的激勵函數(shù) (2) 現(xiàn)常用 Sigmoid函數(shù)作為激勵函數(shù) 11y N e te ?? ??(3) 針對閾值函數(shù)討論其用途 版權所有 復制必究 2022 6 感知器模型和用途 2. 兩種理解方式（用途） (1) 模式識別器（分類器） (2) 邏輯函數(shù) 解決只有 2類模式的識別問題 nxR? ? ?0,1y?0Twx? y=1， x屬于第二類 0Twx? y=0， x屬于第一類 只能識別具有線性邊界的識別問題 二值邏輯元，實現(xiàn)布爾代數(shù)的某些運算，包括： “ 與 ” 、“ 或 ” 和 “ 非 ” 不能實現(xiàn)“異或” P119 圖 P120 圖 版權所有 復制必究 2022 7
教學課件相關推薦
鄂ICP備17016276號-1